不同端元模型下湿地植被覆盖度的提取方法——以北京市野鸭湖湿地自然保护区为例

崔天翔，宫兆宁，赵文吉，赵雅莉，林 川

(首都师范大学资源环境与旅游学院;三维信息获取与应用教育部重点实验室;资源环境与地理信息系统北京市重点实验室;北京市城市环境过程与数字模拟国家重点实验室培育基地，北京 100048)

湿地作为重要的生存环境和自然界最富生物多样性的生态景观之一，在调节径流、改善气候、控制污染、维护生物多样性和保持区域生态平衡等生态功能和效益方面，发挥着不可替代的作用［1-2］。湿地植物是湿地生态系统的基本组分，也是其存在的基础。植被覆盖度作为衡量植被覆盖和生长状况的重要生态学参数和量化指标，其准确获取在检测湿地生态环境、分析植被蒸腾和土壤水分蒸发、研究湿地水土保持等方面发挥重要的作用［3］。传统植被覆盖度的地面测量主要采用采样法、仪器法和目视估测法，由于这些方法易受时间、天气及区域条件的影响，耗费时间、成本较大，且只能在较小的尺度范围内提供植被覆盖信息［4］，因此应用受到一定的限制。遥感技术的发展为植被覆盖度大面积、准确、及时的获取提供了可能。

利用遥感技术估算植被覆盖度可以分为植被指数法和混合像元法两种方法［5］。植被指数法是通过构建样区植被指数与植被覆盖度之间的回归模型来估算更大区域内植被覆盖度的过程，操作相对简单，然而，这种回归模型只适用于特定的研究区域和特定的植被类型，因此应用存在局限。与植被指数法相比，具有一定物理学意义的混合像元法在植被覆盖度估算上更具优势。混合像元法是根据像元内部各种地物覆盖类型对遥感传感器所观测到信息的贡献，建立影像像元信息的分解模型，来估算地表的植被覆盖度。常用的混合像元分解模型有线性模型、模糊模型、概率模型、随机几何模型和几何光学模型［6］。由于线性光谱混合模型的物理意义明显且相对简单，因此应用较为广泛，国内外许多学者对此进行了广泛的研究:C.Small等在对Landsat ETM+影像进行主成分变换和最小噪声变换的基础上，发现利用V-I-S(植被-不透水层-裸露土壤)3种端元建立的线性光谱混合模型可以较好的反映城市地区的植被覆盖度［7-8］;Madhavan等利用同样的模型来分析泰国首都曼谷在1988年至1994年期间城市发展状况［9］;在分析城市不透水层在Landsat ETM+影像上光谱特征的基础上，Wu等对V-I-S三端元模型进行了改进，构造V-L-H-S(植被-低反射率地物-高反射率地物-裸露土壤)四端元模型，并以此建立线性光谱混合模型来分析城市地物覆盖状况，并取得较好的结果［10］;Andrew J.Elmore等则以Landsat TM影像为数据源，采用另外一组四端元(植被-深色土壤-浅色土壤-阴影)建立线性光谱混合模型估算美国加利福尼亚州欧文斯峡谷的植被覆盖度，并研究了该地区连续六年的植被覆盖变化［11］;此外，S.LEE等利用Landsat ETM影像分别基于四端元和五端元建立的线性光谱混合模型估算了城市植被覆盖度［12］;Jingfeng Xiao等以Landsat ETM+影像为数据源，对美国新墨西哥州中部的沙漠—山地过渡带分别利用三端元、四端元以及五端元建立的线性光谱混合模型进行混合像元分解，从而获得植被覆盖度［13］。在对线性光谱混合模型的应用过程中，也有学者通过对其进行改进来获得更好的估算结果:王天星等以土地利用类型专题图为基础，利用ASTER影像针对每一种土地类型分别建立线性光谱混合模型来估算植被覆盖度，从而改进了估算精度［14］。

虽然利用遥感技术估算植被覆盖度得到了广泛的应用，但目前研究主要集中在城市、草原、干旱半干旱地区，针对湿地植被覆盖度的研究比较少见。另外，由于中等分辨率的Landsat TM/ETM+影像的可见光波段(第1—3波段)之间通常具有较高的相关性，研究中通常最多可以使用4种类型端元［10］，而4种类型端元往往不能充分的表达湿地植被类型丰富，土地利用类型多样化的特点。鉴于当前对湿地植被覆盖度方面的研究相对不足、Landsat影像在植被覆盖度的提取中应用4种以上端元的研究相对较少的现状，本研究以华北内陆典型的淡水湿地——北京市野鸭湖湿地自然保护区为研究对象，Landsat TM影像为数据源，以线性光谱混合模型为研究方法。经分析，构建以植物、高反射率地物、低反射率地物、裸露土壤为组分的四端元模型以及以陆生植物、水生植物、高反射率地物、低反射率地物、裸露土壤为组分的五端元模型来分别反映研究区内的地物组分;以此为基础，运用线性光谱分解算法对两种端元模型求解，来获取研究区的植被覆盖度;精度检验采用同时期的WorldView-2多光谱影像来进行。

1 研究区概况

野鸭湖湿地自然保护区属于华北内陆典型的内陆淡水湿地，是北京市面积最大的湿地自然保护区，也是北京市首个湿地鸟类自然保护区。地理位置处于 115°46'16″—115°59'48″E，40°22'04″—40°30'31″N，位于北京市延庆县西北部，西南部与河北省怀来县接壤，是官厅水库的延庆辖区及环湖淹没区所构成的库塘和滩涂组成的次生湿地(图1)。保护区总面积6837hm2，其中湿地面积3939hm2，超过保护区总面积的50%。该区属于大陆性季风气候，是暖温带与中温带、半干旱到半湿润的过渡地带，四季变化较为明显;最低气温出现在1月份，最高气温处于6—8月份;降水主要集中在6—8月，其中降水高峰期为7月下旬至8月上旬［15］。研究区内部植被区系复杂、生物多样性丰富，水生植物、湿生植物、中生植物以及盐生植物共有71科213属357种。丰富的植物资源为保护区内生存的各类动物提供了充足的食物资源和丰富的栖息、繁殖场所，具有极其重要的生物多样性保护价值［16］。

2 数据资料与研究方法

2.1 数据源

研究采用中等分辨率的Landsat TM影像作为数据源进行植被覆盖度的提取，影像获取时间为2011年7月26日，采用空间分辨率为30m的可见光(波段1—3)、近红外(波段4)、中红外(波段5、7)6个波段进行运算;植被覆盖度估算值的检验采用高空间分辨率的WorldView-2影像进行，该影像全色波段空间分辨率为0.5m，多光谱波段为1.8m，影像获取时间同为2011年7月26日。两影像在获取时间上的一致表明两者可反映相同的植被覆盖信息。

图1 研究区地理位置图Fig.1 Location map of study area

2.2 影像预处理

影像辐射校正是为了消除因传感器自身条件、大气条件、太阳位置和角度等引起的传感器测量值与目标真实光谱反射率或辐射亮度值等物理量之间的差异。研究采用Landsat TM影像数字量化值(Digital Number，DN)与表观辐射亮度值(At-sensor Spectral Radiance)之间的定量关系［17］，完成两者的转换;综合表观辐射亮度影像与初始能见度、气溶胶模型等大气参数，利用ENVI提供的FLAASH(Fast Line-of-sight Atmospheric Analysis of Spectral Hypercubes)大气校正模型消除大气影响，得到地表目标的光谱反射率信息。

为进行后期植被覆盖度的精度检验，在Landsat TM影像与WorldView-2影像上均匀选取52个同名地物点，以二次多项式模型为几何校正模型，最近邻像元插值法为重采样方法完成两影像配准;总误差控制在1个像元内(RMS error=0.6196)。

3 技术路线与研究方法

3.1 技术路线

以中等分辨率的Landsat TM影像为数据源，经一系列运算，构建植物、高反射率地物、低反射率地物、裸露土壤四端元模型;此外，通过对原始影像增加归一化植被指数(Normalized Difference Vegetation Index，NDVI，(TM4-TM3)/(TM3+TM4))光谱维的方法来改进端元提取的数量，构建另外一组以陆生植物、水生植物、高反射率地物、低反射率地物、裸露土壤为组分的五端元模型;针对这两种端元模型，运用全约束的线性光谱混合模型(Linear Spectral Mixture Model，LSMM)算法进行混合像元分解，从而得到研究区的植被覆盖度;另一方面，通过分析影像中纯水体光谱特征，综合NDVI和归一化水体指数(Normalized Difference Water Index，NDWI，(TM2-TM4)/(TM2+TM4))来获取研究区的纯水体信息，并以此进行植被覆盖度的修正;两种端元模型的估算精度采用同时期的高空间分辨率WorldView-2多光谱影像上反映的植被覆盖信息来评价。整个研究技术路线如图2示。

3.2 线性光谱混合模型

线性光谱混合模型是假设太阳入射辐射只与一种地物表面发生作用，物体之间没有相互作用，传感器在一定瞬时视场角(Instance Field of View，IFOV)内所观测到像元的光谱反射率，可以通过构成该像元的各物质反射率与它们在像元中所占比例的加权和来描述［18］，即:

图2 技术路线流程图Fig.2 Technique flow chart of research

式中，Riλ为第λ波段第i个像元的光谱反射率;Ckλ为第k种端元组分在第λ波段的光谱反射率;fki为对应于第i个像元的第k种端元组分的丰度值;εiλ为第λ波段的剩余残差，反映了线性光谱混合模型与实际的差异;n为端元数目，为实现方程求解，端元数目要求不大于影像波段数加1［10］。

为获得植被覆盖度准确、可靠的估计，需满足两个限制条件:

(1)各端元组分分量之和为1(Abundance Sum-to-One Constraint，ASC)，即:

(2)各端元组分分量为非负(Abundance Nonnegativity Constraint，ANC)，即:

仅满足公式(1)的线性光谱混合模型称作无约束LSMM;满足ASC条件的称作半约束LSMM;同时满足ASC条件和ANC条件为全约束LSMM。有研究表明:相对于无约束LSMM算法和半约束LSMM算法，全约束LSMM算法可以获得对地表真实覆盖状况更好的估算结果［19］。因此，本研究采用了全约束LSMM算法进行野鸭湖湿地自然保护区植被覆盖度的提取。

3.3 端元提取

端元提取即确定影像中构成混合像元的基本组分的数目和类型，以及这些基本组分的光谱信息。端元的数目由影像的光谱维数决定，理论上，Landsat TM影像可以使用的端元数目为2—6个，实际应用中由于可见光波段之间的相关性较高，通常可以提取3—4种端元。端元光谱的确定通常有两种方式:利用光谱仪在地面或实验室测量得到的“参考端元”［20］或在遥感影像上提取得到的“影像端元”，虽然前者可以精确测量，但由于大气状况、辐射条件、物候等因素以及传感器不同造成的影响，导致参考端元光谱信息与影像上像元光谱信息不一致，从而引起较大的误差;因此，本研究采用直接从遥感影像上提取端元的方法。

由于遥感影像各波段之间存在一定的相关性，为有效地从遥感影像上提取端元，需要对影像进行去相关处理。最小噪声分离变换(Minimum Noise Fraction，MNF)可以将影像的主要信息集中在前面几个波段，以分离数据中的噪声、减少后处理计算量［21］。

MNF变换的结果用于计算纯像元指数(Pure Pixel Index，PPI)。PPI是在影像中寻找波谱最纯净像元的一种方法，它通过迭代将N维光谱特征空间中的离散点映射到一个随机单位向量来计算，并记录被标记为纯净像元的点与标记为纯净像元的次数以生成像元纯度影像［22］。在像元纯度影像上，每个像元的像素值表示被标记为纯像元的次数，像元值越大，表示像元的纯度越高。因此可以通过对PPI影像设置一定的阈值来获得相对较纯净的像元作为候选端元。

端元的最终确定是在ENVI提供的N维可视化分析工具中通过人机交互完成的。N维可视化分析工具可以与MNF和PPI的结果相结合，用以定位、识别数据集中最纯的像元，从而获得端元波谱信息。通过在N维可视化工具中选择拐角处的数据点和相对独立的点，并与影像相结合，最终确定端元类型及端元光谱。

3.3.1 四端元模型

通过对原始Landsat TM影像作MNF变换、PPI计算并在N维可视化分析工具中进行端元提取，最终确定了植物、高反射率地物、低反射率地物、裸露土壤四种类型端元，其对应的光谱信息通过对N维可视化分析工具中选取的数据点取平均值来表达(图3)。可以看出，4种端元具有各自明显的光谱特征，在一定程度上可以反映研究区不同类型地物的光谱差异。

3.3.2 五端元模型

经分析，研究区3个可见光波段之间具有较高的相关性，相关系数分别为:0.935(第1波段和第2波段)、0.912(第1波段和第3波段)、0.940(第2波段和第3波段);因此，利用原始影像可以获取的端元数目有限。为充分表达研究区的地物组分、反映不同地物间的光谱差异;研究通过扩展Landsat TM影像光谱维度的方法，改进端元提取的数量，选取五种类型端元进行后续分析，并与四端元模型进行对比。

归一化植被指数(Normalized Difference Vegetation Index，NDVI)通过红光波段与近红外波段的组合实现对植被信息的表达，其计算公式为:

图3 4种端元光谱曲线Fig.3 TM-based spectral signatures of the four selected endmembers

式中，Red为可见光红光波段的反射率，NIR为近红外波段的反射率，分别对应Landsat TM影像的第3、4波段，NDVI取值范围为［-1，1］。NDVI与绿色植物的叶片生物量、叶面积指数、植物光合能力以及植物总的干物质积累等有很好的相关性，能够较准确地反映植被的生长状况、覆盖程度，并能较好的区分地物类型［23］。有研究表明:NDVI在0.2以上表示有植被覆盖，0.2以下表示地表无植被覆盖，如裸土、沙漠等，当NDVI取值为负且数值较小时，表示对可见光高反射的水体、冰雪等地物［24］;因此，作为红光波段与近红外波段的非线性组合，NDVI可以提供独立于两者的新信息。

通过将NDVI与原始Landsat TM影像合并，以扩展原始影像的光谱维数，为获取5种类型端元提供了可能;而5种端元可以较4种端元更好的反映研究区内不同地物之间的光谱差异。

根据MNF特征影像空间一致性和相应的MNF特征值数据的双重检查，选取前4个MNF成分分量(提供影像97.985%的信息)进行PPI的计算;以PPI影像中像素值大于10的像元作为候选端元(候选端元主要分布在研究区的官厅水库、耕地、城镇建筑等位置)。通过在N维可视化分析工具中选取，最终获取陆生植物、水生植物、高反射率地物、低反射率地物以及裸露土壤5种类型端元，端元光谱反射率与NDVI值以N维可视

化分析工具中所选数据点的光谱信息均值来表达。图4反映了所选5种端元的光谱反射率曲线及其对应的NDVI值。可以看出:高反射地物的光谱反射率较高，位于0.2—0.4之间，其对应的NDVI值为0.090;而低反射地物的光谱反射率很低，NDVI值为-0.335，明显区别于其他类型地物的光谱反射率和NDVI;裸露土壤的光谱反射率介于0.04与0.3之间;陆生植物的光谱反射率曲线在绿光波段有一反射峰，红光波段到近红外波段之间反射率急剧增加，符合植被光谱特征，且其NDVI值较高，为0.853;与之相比，水生植物的光谱反射率要相对较低，但NDVI值仍远高于其他类型地物。5种地物端元分别具有各自明显的光谱特征及NDVI值，可以较好的反映了研究区不同类型地物之间的光谱差异。

3.4 全约束LSMM算法提取植被覆盖度

针对两种端元模型，研究采用全约束LSMM算法进行混合像元分解以获取植被覆盖度。由于全约束LSMM算法涉及不等式限制条件，算法较复杂;另外，现有的软件平台不能实现全约束LSMM算法求解。因此，研究以IDL语言为开发工具，通过数值分析的方法［18，25］，编程实现了两种端元模型下的全约束LSMM求解，在满足研究需求的同时，也丰富了ENVI软件在线性光谱混合模型方面的求解算法。

3.5 植被覆盖度估算结果的优化

由于线性光谱混合模型在模拟实际光谱混合机理方面的固有缺陷，在研究区的纯水体区域仍能得到一定的植被覆盖度估算值，通过对这部分区域的植被覆盖度赋为零，可以起到优化估算结果的目的。经分析，在Landsat TM影像中，纯水体在第4波段的光谱反射率小于第2和第3波段，区别于其他地物在第4波段的光谱反射率普遍大于第2和第3波段的光谱特征;为了突出纯水体与其他地物之间的光谱差异，构建NDVI和NDWI来提取研究区的水体信息。本研究选取影像中NDVI值小于-0.03且NDWI值大于0.1的像元作为纯水体区，并将植被覆盖度专题图中相应位置的像元值赋为零，从而改善了植被覆盖度的估算质量。

4 结果与分析

针对陆生植物、水生植物、高反射率地物、低反射率地物以及裸露土壤所组成的五端元模型，运用全约束LSMM算法进行混合像元分解，获得两种类型植物的植被覆盖度如图5。可以看出:陆生植物的高植被覆盖区位于耕地区域(图5A)，而分布于西南部的草地区(图5B)植被覆盖度相对较低;水生植物多分布在水体两侧(图5)，这与水生植物的生长环境相吻合。

运用全约束LSMM算法，对两种端元模型进行混合像元分解，获得研究区植被覆盖度估算结果如图6。可以看出，两种端元模型的估算结果在空间分布趋势上是基本一致的:研究区的草地(图6A)与居民地(图6B)区，植被覆盖度相对较低;而高植被覆盖区主要分布于耕地区域(图6C、图6D)。在数值上，与四端元模型相比，五端元模型估算值明显较高;相对于四端元模型在水体区域的植被覆盖度估算值普遍低于0.1的情况，五端元模型的估算值在相应部分位置可以达到0.2以上，从而更好的反映水生植物的信息。

5 精度评价

以同时期的WorldView-2多光谱影像上获取的植被覆盖度作为检验数据，进行植被覆盖度估算结果的精度检验。在植被覆盖度专题图上随机采样，为降低影像配准带来的误差，采样窗口设置为3×3，窗口内像元的平均值作为样区的植被覆盖度估算值。同时，在高分辨率的WorldView-2影像上获取相应的样本区(对应窗口大小为50×50)，采用目视解译的方法，勾画植被区域，计算植被在样区中所占的比例，进而获得植被覆盖度的检验数据。表1为所选取的60个样本区基于两种端元模型的植被覆盖度估算数据以及WorldView-2检验数据。

图4 5种端元光谱曲线及其对应的NDVI值(左轴反映光谱反射率，右轴反映NDVI)Fig.4 TM-based spectral signatures and NDVI of the five selected endmembers

图5 野鸭湖湿地自然保护区两种类型植物的植被覆盖度(五端元模型)Fig.5 The estimation abundance of two types of vegetation in Wild Duck Lake wetland based on five-endmember model

图6 野鸭湖湿地自然保护区植被覆盖度Fig.6 The estimation of vegetation abundance in Wild Duck Lake wetland

植被覆盖度的估算精度采用相关系数(R)和均方根误差(Root Mean Square Error，RMSE)来反映。相关系数R(公式4)反映了估算值与检验值之间的相关程度，R的绝对值越大，相关程度越高;RMSE(公式5)反映了采样样本的总体精度，RMSE越小精度越高。

式中，Xi表示估算值，为估算值均值;Yi表示检验值，为检验值均值;N为样本数。

表1 各采样区两种端元模型的估算值与WorldView-2检验值Table 1 Values of vegetation abundance estimated using different endmember model and inspection data based on WorldView-2

通过对两种端元模型的估算结果进行精度检验，由表2可以看出，五端元模型估算值与检验值之间的相关系数R为0.9023，相对于四端元模型的0.8671提高0.0352;另外，五端元模型估算值的均方根误差RMSE为0.0939，明显优于四端元模型的0.1711。两种端元模型的估算值与WorldView-2检验值1∶1关系图(图7)直观的反映了相对于四端元模型，五端元模型在估算研究区植被覆盖度方面要更具优势。

表2 两种端元模型相关性分析和均方根误差比较Table 2 Correlation analysis and RMSE comparison of two models

6 结论

研究以线性光谱混合模型为研究方法，分别基于植物、高反射率地物、低反射率地物、裸露土壤为组分的四端元模型和陆生植物、水生植物、高反射率地物、低反射率地物、裸露土壤为组分的五端元模型，对野鸭湖湿地自然保护区的植被覆盖度进行了提取;另外，通过修正纯水体区域的估算结果来改进提取精度;最后，辅以同时期高空间分辨率的WorldView-2多光谱影像对提取结果进行精度评价。结论如下:

(1)端元的数目通常由遥感影像的维数来决定［26］，Landsat TM影像的3个可见光波段之间往往存在较高的相关性，因此通常最多可使用四种类型的端元;而4种类型端元往往不能充分反映湿地植被类型丰富、土地利用多样化的特点。研究通过扩展原始Landsat TM影像的数据维，为五端元模型的构建提供了可能。经检验，五端元模型估算值与检验值之间的相关系数达到0.9023，均方根误差为0.0842，明显优于传统的四端元模型。这表明:通过扩展Landsat TM影像数据维的方法来改进端元提取的数量是可行的。NDVI作为红光波段与近红外波段的非线性组合，在反映植被生长状况、覆盖程度以及区分地物类型等方面具有重要意义，对Landsat TM影像增加NDVI数据维，可以克服从原始影像上获取有限数量端元的局限，从而改进端元提取的数量。

图7 两种端元模型估算值与检验值之间1∶1关系图Fig.7 The 1 ∶1 relationship between the predicted and inspection value of two models

(2)本研究基于线性光谱混合模型，通过对比四端元模型(植物、高反射率地物、低反射率地物、裸露土壤)与五端元模型(陆生植物、水生植物、高反射率地物、低反射率地物、裸露土壤)的植被覆盖度估算结果，发现后者估算值与检验值之间的相关系数比前者提高了0.0351，均方根误差降低了0.0613，从而得到更好的估算效果。这反映了相对于五种类型端元，四种类型端元并不能充分反映研究区复杂的地物组成，而五种类型端元可以较为充分的反映地物之间的光谱差异，从而获得更好的估算结果。

(3)研究利用野鸭湖湿地自然保护区的纯水体信息对植被覆盖度的估算结果进行优化，通过构建NDVI与NDWI来增强纯水体与其他类型地物的光谱差异，从而较为准确的获取了纯水体信息。通过修正纯水体区域的植被覆盖度估算值，从而改进了相应区域的估算精度。

7 讨论

线性光谱混合模型适用于本质上属于或者基本属于线性光谱混合的地物，以及在大尺度上可以认为是线性光谱混合的地物。本研究采用中等分辨率的Landsat TM多光谱影像，基于线性光谱混合模型对北京市野鸭湖湿地自然保护区的植被覆盖度进行了提取并获得较好的效果，研究表明:线性光谱混合模型可以一定程度的反映Landsat TM影像上研究区内地物之间的实际光谱混合状况。然而，一般情况下，利用非线性光谱混合模型计算出的结果要比用线性光谱混合模型计算出的结果要更好［18，27］，因此，在后续研究中，可以进一步探索非线性光谱混合模型在植被覆盖度提取中的应用，以提高估算结果的准确性与可靠性。

本研究采用2011年7月26日中等分辨率的Landsat TM多光谱影像进行植被覆盖度的估算，影像获取时间是研究区植被生长最为旺盛的阶段。Landsat-5卫星每16d覆盖全球1次，因此，获取1a内的多期多时相影像是可行的。在后续研究中，通过获取同一区域不同时期的植被覆盖度，结合气温、降水等自然因素以及政策变动、人类活动等人为因素，可以分析影响植被覆盖度变化的驱动因子。同样，通过分析1984年(Landsat-5发射时间)至今的植被覆盖度，可以得到植被覆盖度的年际变化。另一方面，植被覆盖度作为反映植物生长状况的一个重要参数，对地上植被生物量的估算具有一定的意义［28-29］。传统地上植被生物量主要通过构建样区植被指数与地上生物量的统计回归模型来估算区域范围内的植被生物量，在后续分析中可以通过增加植被覆盖度这一影响因子来改进地上植被生物量的估算过程。

［1］Woodward R T，Wui Y S.The economic value of wetland services:a meta-analysis.Ecological Economics，2001，37(2):257-270.

［2］Yang Y X.Main characteristics，progress and prospect of international wetland science Research.Process in Geography，2002，21(2):111-120.

［3］Guo Z J，Yan G J，Feng X，Wang Y Z，Zhang X Y.Analysis on angular effects of vegetation fraction cover estimation based on Remote Sensing data.Journal of Beijing Normal University:Natural Science，2007，43(3):343-349.

［4］Xing Z R，Feng Y G，Yang G J，Wang P，Huang W J.Method of estimating vegetation coverage based on Remote Sensing.Remote Sensing Technology and Application，2009，24(6):849-854.

［5］Chen Y H，Li X B，Shi P J.Landscape spatial-temporal pattern analysis on change in the fraction of green vegetation based on Remotely Sensed Data:a case study in Haidian District，Beijing.Acta Ecologica Sinica，2002，22(10):1581-1586.

［6］Fan W L，Du H Q，Zhou G M，Xu X J，Cui R R，Dong D J.Spectral mixture analysis method based on the simulation of real scenario.Journal of Remote Sensing，2010，14(6):1250-1258.

［7］Small C，Lu J W T.Estimation and vicarious validation of urban vegetation abundance by spectral mixture analysis.Remote Sensing of Environment，2006，100(4):441-456.

［8］Small C.Estimation of urban vegetation abundance by spectral mixture analysis.International Journal of Remote Sensing，2001，22(5):789-806.

［9］Madhavan B B，Kubo S，Kurisaki N，Sivakumar T V L N.Appraising the anatomy and spatial growth of the Bangkok Metropolitan area using a vegetation-impervious-soil model through Remote Sensing.International Journal of Remote Sensing，2001，22(5):789-806.

［10］Wu C S，Murray A T.Estimating imperious surface distribution by spectral mixture analysis.Remote Sensing of Environment，2003，84(4):493-505.

［11］Elmore A J，Mustard J F，Manning S J，Lobell D B.Quantifying vegetation change in semiarid environments:precision and accuracy of spectral mixture analysis and the Normalized Difference Vegetation Index.Remote Sensing of Environment，2000，73(1):87-102.

［12］Lee S，Lathrop R G.Sub-pixel estimation of urban land cover components with linear mixture model analysis and Landsat Thematic Mapper imagery.International Journal of Remote Sensing，2005，26(22):4885-4905.

［13］Xiao J F，Moody A.A comparison of methods for estimating fractional green vegetation cover within a desert-to-upland transition zone in central New Mexico，USA.Remote Sensing of Environment，2005，98(2):237-250.

［14］Wang T X，Chen S L，Ma Y.Inversion of canopy abundance based on improved linear spectral unmixing model.Geo-Information Science，2008，10(1):114-120.

［15］Gong Z N，Gong H L，Zhao W J.The ecological evolution of Beijing wetland:a case study in Beijing Wild Duck Lake.Beijing:China Environmental Science Press，2007:56-62.

［16］Lin C，Gong Z N，Zhao W J.Hyperspectral estimation models for plant community water content at both leaf and canopy levels in Wild Duck Lake wetland.Atca Ecologica Sinica，2011，31(22):6645-6658.

［17］Chander G，Markham B L，Helder D L.Summary of current radiometric calibration coefficients for Landsat MSS，TM，ETM+，and EO-1 ALI sensors.Remote Sensing of Environment，2009，113(5):893-903.

［18］Zhang B，Gao L R.Hyperspectral image classification and target detection.Beijing:Science Press，2011:108-111.

［19］Li X S，Gao Z H，Li Z Y，Bai L N，Wang B Y.Estimation of sparse vegetation coverage in arid region based on hyperspectral mixed pixel decomposition.Chinese Journal of Applied Ecology，2010，21(1):152-158.

［20］Kameyama S，Yamagata Y，Nakamura F，Kaneko M.Development of WTI and turbidity estimation model using SMA—application to Kushiro Mire，eastern Hokkaido，Japan.Remote Sensing of Environment，2001，77(1):1-9.

［21］Jensen J R.Introductory digital image processing:a Remote Sensing Perspective.Beijing:China Machine Press，2007:426-428.

［22］Li S，Li W Z，Zhou J J，Zhuang D F.A review on endmember selection in the course of mixed pixel decomposition of Remote Sensing images.Geography and Geo-Information Science，2007，23(5):35-42.

［23］Zhang J H，Zhang G P，Wang P J.Vegetation and ecological Remote Sensing.Beijing:Science Press，2010:242-244.

［24］Shabanov N V，Zhou L M，Knyazikhin Y，Myneni R B，Tucker C J.Analysis of interannual changes in northern vegetation activity observed in AVHRR data from 1981 to 1994.IEEE Transaction on Geoscience and Remote Sensing，2002，40(1):115-130.

［25］Daniel C H.Fully constrained least squares linear spectral mixture method for material quantification in Hyperspectral Imagery.IEEE Transaction on Geoscience and Remote Sensing，2001，39(3):529-545.

［26］Theseira M A，Thomas G，Sannier C A D.An evaluation of spectral mixture modeling applied to a semi-arid environment.International Journal of Remote Sensing，2002，23(4):687-700.

［27］Hu S J，Hu D Y，Zhao W J.Extract urban vegetation coverage based on LSMM and improved FCM:a case study in Haidian District.Atca Ecologica Sinica，2010，30(4):1018-1024.

［28］Basuki T M，Skidmore A K，Laake P E V，Duren I V Hussin Y A.The potential of spectral mixture analysis to improve the estimation accuracy of tropical forest biomass.Geocarto International，2012，27(1):1-17.

［29］Fang J，Huang X D，Wang W，Yu H，Ma L Y，Liang T G.The grassland biomass monitoring by Remote Sensing technology in the Qinghai-TibetPlateau.Pratacultural Science，2011，28(7):1345-1351.

参考文献:

［2］杨永兴.国际湿地科学研究的主要特点、进展与展望.地理科学进展，2002，21(2):111-120.

［3］郭占军，阎广建，冯雪，王远征，张霄羽.遥感估算植被覆盖度的角度效应分析.北京师范大学学报:自然科学版，2007，43(3):343-349.

［4］刑著荣，冯幼贵，杨贵军，王萍，黄文江.基于遥感的植被覆盖度估算方法述评.遥感技术与应用，2009，24(6):849-854.

［5］陈云浩，李晓冰，史培军.基于遥感的植被覆盖变化景观分析——以北京海淀区为例.生态学报，2002，22(10):1581-1586.

［6］范渭亮，杜华强，周国模，徐小军，崔瑞蕊，董德进.模拟真实场景的混合像元分解.遥感学报，2010，14(6):1250-1258.

［14］王天星，陈松林，马娅.基于改进线性光谱分离模型的植被覆盖度反演.地球信息科学，2008，10(1):114-120.

［15］宫兆宁，宫辉力，赵文吉.北京湿地生态演变研究——以野鸭湖湿地自然保护区为例.北京:中国环境科学出版社，2007:56-62.

［16］林川，宫兆宁，赵文吉.叶冠尺度野鸭湖湿地植物群落含水量的高光谱估算模型.生态学报，2011，31(22):6645-6658.

［18］张兵，高连如.高光谱图像分类与目标探测.北京:高等教育出版社，2011:108-111.

［19］李晓松，高志海，李增元，白黎娜，王琫瑜.基于高光谱混合像元分解的干旱地区洗漱植被覆盖度估测.应用生态学报，2010，21(1):152-158.

［22］李素，李文正，周建军，庄大方.遥感影像混合像元分解中的端元选择方法综述.地理与地理信息科学，2007，23(5):35-42.

［23］张佳华，张国平，王培娟.植被与生态遥感.北京:科学出版社，2010:242-244.

［27］胡姝婧，胡德勇，赵文吉.基于LSMM和改进的FCM提取植被城市覆盖度——以北京市海淀区为例.生态学报.2010，30(4):1018-1024.

［29］方金，黄晓东，王玮，于慧，马琳雅，梁天刚.青藏高原草地生物量遥感动态监测.草业科学，2011，28(7):1345-1351.